基于实测站点的区域森林水源涵养量空间化方法综述

吴 溪，史文娇

(1.中国科学院地理科学与资源研究所/ 陆地表层格局与模拟院重点实验室，北京 100101；2.江苏省测绘工程院，江苏 南京 210013；3. 中国科学院大学资源与环境学院，北京 100049)

在全球气候变化和水资源匮乏的情况下，由于森林水源涵养具有拦蓄降雨、调节径流和净化水质等作用，森林水源涵养量及其空间分布受到极大关注[1-3]。准确估算森林水源涵养量的方法主要分为2类：一是基于水量平衡的思想利用模型计算森林水源涵养量[4-5]；二是基于经验模型利用实测数据测算森林水源涵养量。前者基于模型可计算大尺度区域森林水源涵养量，但是其准确性需要实测数据验证；后者可以较准确地估算森林水源涵养量，但是由于工作量较大，极少用于全国等较大空间尺度。基于站点实测数据的大尺度区域森林水源涵养量空间化研究，既要搜集完整的站点实测数据，又要基于实测数据分析森林水源涵养量的影响因素，虽工作量巨大，但具有重要的研究意义。一是基于站点实测数据，可以更加准确和清晰地认识大尺度区域森林水源涵养量空间分布特征的影响因素，从而为认识森林水源涵养量影响机制提供科学依据；二是基于站点实测数据与影响因素开展分析，可为大尺度水文模型或遥感估算森林水源涵养量提供实测验证数据和时空趋势对比，进而为开发和改进更符合大尺度区域地理特征的森林水源涵养量相关模型奠定基础。

在基于站点实测数据估算森林水源涵养量的过程中，选取对森林及各蓄水层水源涵养量具有显著影响的因子，可为森林水源涵养量空间化提供辅助信息，而合理的站点空间化方法是决定森林水源涵养量估算精度的关键。在水源涵养量影响因子分析方面，林冠截留量、枯落物持水量、土壤蓄水量和森林水源涵养量的影响因子分析始于20世纪80年代。虽然已有研究在全国尺度上对森林及各蓄水层水源涵养量影响因子进行分析[6]，但选取的站点相对较少。目前基于站点的森林及各蓄水层水源涵养量影响因子研究多是在较小的空间尺度开展，少量研究虽为全国尺度，却仅停留在森林的单一蓄水层上，如林冠层[7]或枯落物层[8]，对于大尺度区域基于站点的森林及各蓄水层水源涵养量的影响因子研究尚较缺乏。对于森林水源涵养量空间化方法，基于站点利用赋值法进行空间化主要应用在空间异质性较小的区域[9-11]。对于大尺度区域，例如疆域辽阔的中国，回归法、机器学习与地统计分析在实现空间化方面运用广泛。回归法从20世纪90年代就已开始应用[12]，如根据全国47个林分的林冠截留能力与所在地的经纬度和海拔因素构建多元地理空间模型[6]。机器学习与地统计分析方法的发展时间较长，于2005年起开始应用于森林及各蓄水层水源涵养量参数空间化方面[13-14]。

为了明确森林及各蓄水层水源涵养量的显著影响因子，对比基于站点实测数据的空间化方法特点，梳理区域森林水源涵养量空间化过程中存在的问题。笔者首先总结基于实测站点的大尺度区域森林水源涵养量空间化的整体框架，然后对于框架中各个部分展开深入研究：(1)林冠截留量、枯落物持水量、土壤蓄水量和森林水源涵养量的影响因子及其作用方式，为森林水源涵养量空间化提供辅助信息；(2)站点空间化方法的原理及优缺点；(3)估算大尺度区域森林水源涵养量的不确定性。

1 基于实测站点的区域森林水源涵养量空间化框架

基于实测站点的大尺度区域森林水源涵养量空间化的前提是站点数据的收集与整合。该研究基于综合蓄水能力法[9]对中外文献资料中关于中国实测站点的林冠截留、枯落物持水、土壤蓄水相关参数和影响因子进行搜集整理，构建森林及各蓄水层水源涵养参数和影响因子数据库。其中，实测站点包括国家森林生态系统定位研究站、林业等部门或科研机构在典型生态保护区、自然保护区、退耕还林区、石漠化地区、防护林、生态公益林和水源保护林等地设置的野外实验站点。

基于实测站点的大尺度区域森林水源涵养量空间化过程需要确定森林及各蓄水层水源涵养量的主要影响因子和空间化方法(图1)。首先，在前人研究基础上，分析影响林冠截留[7]、枯落物持水[15]、土壤蓄水[16]和森林水源涵养量[16-17]的主要影响因子，进而构建森林及各蓄水层水源涵养量影响因子空间数据集，为森林及各蓄水层水源涵养量空间化提供辅助信息；然后，综述由点到面的森林及各蓄水层水源涵养量的空间化方法，提出适合空间异质性较大区域的森林水源涵养量空间化方法；最后以收集的站点参数为基础数据，依据林冠截留、枯落物持水、土壤蓄水和森林水源涵养的主要影响因子建立空间栅格数据集，基于空间化方法构建林冠截留量、枯落物持水量、土壤蓄水量和森林水源涵养量空间分布模型，预测中国森林及各蓄水层水源涵养量的空间分布，实现由点到面的森林及各蓄水层水源涵养量空间模拟。

2 森林水源涵养影响因子

由于大尺度区域的气候、地形和环境信息等存在极大差异，森林水源涵养量空间化需以林冠截留量、枯落物持水量、土壤蓄水量和森林水源涵养量的影响因子作为辅助变量，结合空间化方法进行大尺度区域森林水源涵养量估算。

2.1 林冠截留量的影响因子

林冠层截留过程十分复杂，是森林对降雨的第1层拦截和分配，受气象因子[18]、地形因子、植被类型和植被冠层属性等影响[19]。林冠截留量随气候因子中降雨量的增加呈先增加后趋于饱和的趋势[18,20-21]，降雨量在10～20 mm时，林冠截留量随降雨量增加而减缓[21]；林冠截留量与降雨强度和温度呈正相关关系[16,20,22]；同时林冠截留量随风速的提高先增加后减少[18]；林冠截留量随地形因子中坡面的增高而减小[23]。从植被的叶片形状来看，针叶林对降雨的拦截效果优于阔叶林，如岷江冷杉针叶林优于川滇高山栎阔叶林[24]。森林覆盖度[21]、冠层厚度[21]、叶面积指数[18, 20]、郁闭度[18, 20]、林分密度[18,20]、林龄[18]、树高[25]、胸径[25]和冠幅[25]等植被特性与林冠截留量呈正相关关系。

图1 基于实测站点的区域森林水源涵养量空间化框架

2.2 枯落物持水量的影响因子

枯落物层凋落物疏松多孔，是对降雨的第2层拦截。气象因子、地形因子、植被类型和植被冠层属性、枯落物属性等因子影响枯落物持水量。枯落物持水量与气象因子中的降雨量[16,26]和温度[27-28]呈负相关关系，降雨量在5 mm以上时枯落物持水能力明显下降[16]。地形因子和纬度通过水热条件变化影响枯落物持水量，枯落物持水量随海拔的升高先增加后减小[29-30]，与坡度呈负相关关系[16]，阴坡的枯落物持水能力优于阳坡[16]，纬度与枯落物持水量呈正相关关系[26]。植被类型和植被特性主要通过影响枯落物蓄积量改变枯落物持水量，针叶林的枯落物蓄积量和枯落物持水量大于阔叶林[31-32]；植被覆盖度[21]、林分密度和郁闭度[16,27,33-34]、林龄[35]等植被特征与枯落物持水量呈正相关关系，东北地区蒙古栎林郁闭度从0.95降到0.6时，枯落物最大持水量从2.2降到1.9 mm[21]。枯落物属性中的枯落物蓄积量[16, 21]、枯落物厚度[36]和枯落物分解程度[16]与枯落物持水量呈正相关关系，一般枯落物持水量可达枯落物蓄积量的2～3倍[6]。

2.3 土壤蓄水量的影响因子

林下土壤层对森林水源涵养贡献最大，是对降雨的第3层拦截。土壤蓄水量与地形因子、植被冠层属性、枯落物属性、土壤类型和土壤属性等相关。土壤蓄水量随地形因子中海拔的升高而减小[29-30]；阳坡的土壤蓄水量弱于阴坡[16,37]，辽东地区胡桃楸植被的北坡土壤平均蓄水量为2 820 t·hm-2，西南坡土壤平均蓄水量为1 883 t·hm-2 [37]。植被属性与枯落物属性通过影响土壤理化性质进而影响土壤蓄水量，林分密度[34, 37]、郁闭度[33]、林龄[35]等植被属性与土壤蓄水量呈正相关关系，如30 a左右的中龄林土壤具有较高的涵养水源能力[27]；枯落物属性中的枯落物蓄积量[21,27]和枯落物分解速度[32]与土壤蓄水量呈正相关关系。土质疏松、孔隙度大、通透性强且黏粒表面大的土壤类型蓄水量大[38]。土壤属性中的土壤厚度[16,37]、非毛管孔隙度[16,33]和土壤渗透能力[27,33]与土壤蓄水量呈正相关关系，土壤厚度由43降至35 cm时，土壤蓄水量由2 820降至2 526 t·hm-2 [37]；土壤容重与土壤蓄水量呈负相关关系[16, 33]。

2.4 森林水源涵养量的影响因子

气象、地形、植被、土壤等因子变化影响森林的水源涵养功能。降雨量和温度是森林水源涵养的重要影响因子，温远光等[6]研究表明降雨量的空间分布与森林水源涵养量的空间分布趋势一致，温度与森林水源涵养量呈正相关关系[39]。地形因子的影响因地而异，森林水源涵养量随高程的增大先增加后减小[40]，就大尺度空间分布规律而言，峰值高度还有待研究。全国尺度上，坡度与森林水源涵养量呈正相关关系[39]，但也有小尺度区域研究表明坡度与森林水源涵养量呈负相关关系。如唐玉芝等[10]在乌江流域的研究表明，坡度与森林水源涵养量的相关系数为-0.910，坡度平均每增加1°，森林水源涵养量相应减少2.44 t·hm-2。地理位置上，大尺度区域森林水源涵养量空间分布主要受水热条件影响，如中国的森林水源涵养量从西北向东南递增[11,39]。由于阔叶林和针叶林的适宜生长环境不同，针叶林耐寒，阔叶林喜温，阔叶林的森林水源涵养量高于针叶林[6,10]，但还需根据具体的立地条件和植被属性(如植被覆盖度[11]和林龄[41]等)综合考虑。森林水源涵养量各影响因子中土壤蓄水量的贡献最大，土层厚、毛管孔隙大、水土保育能力强的土壤类型水源涵养量相对较高，如范亚宁等[42]研究的秦岭粗骨土和棕壤以及陈姗姗等[43]研究的陕西商洛黄棕壤土。

气象因子中降水和温度均是林冠截留量、枯落物持水量和森林水源涵养量的重要影响因子，但是降水和温度对林冠截留量和森林水源涵养量的影响方式与枯落物持水量相反，气象因子对土壤蓄水量的影响小于其他蓄水层。地形因子和位置因子主要是通过改变当地水热条件(气象因子)间接影响森林及各蓄水层水源涵养量。植被冠层属性保持在合理的范围内，对森林及各蓄水层水源涵养量均有积极影响。枯落物属性主要影响枯落物持水量和土壤蓄水量，通过改善土壤属性间接影响土壤蓄水量。土壤层对森林水源涵养的贡献大于林冠层和枯落物层，因此土壤属性对森林水源涵养量的影响方式与其对土壤蓄水量的影响方式一致。

3 大尺度区域水源涵养量空间化方法

森林水源涵养量的空间化即基于试验观测站点上观测的林冠截留、枯落物持水和土壤蓄水参数，利用模型预测森林水源涵养量的空间分布，实现由点到面的森林水源涵养量空间模拟。目前已有的基于站点的水源涵养量空间化方法主要分为赋值法、回归法、机器学习与地统计分析。基于站点的林冠截留量、枯落物持水量、土壤蓄水量和森林水源涵养量的空间化方法及其优缺点见表1。

提高森林水源涵养量空间化的精度有利于准确估算森林水源涵养量，预测森林水源涵养量空间分布趋势。对于赋值法，在相关参数空间异质性较小的条件下，矢量赋值法的精度主要与收集的参数相关，参数分布越均匀，参数可信度越高，越有利于提高森林及各蓄水层水源涵养量空间化结果的精度；栅格赋值法的精度不仅与收集的参数相关，也与植被覆盖度的精度有关。对于回归法，作为自变量的影响因子选择是否合理、客观和全面，决定了森林及各蓄水层水源涵养量的估算模型的精度。对于机器学习与地统计分析，地统计方法的插值精度决定了森林及各蓄水层水源涵养量的空间化精度，而用于机器学习的样本数据和用于空间化的站点数据的空间分布则极大地影响基于机器学习模型的森林及各蓄水层水源涵养量的空间化精度。因此在收集数据时要保证其准确性，尽最大可能使站点数据均匀分布在有植被覆盖的区域。

表1 森林及其各蓄水层水源涵养量的空间化方法[9-13,44-46]

Table 1 Spatialization methods of forest and its aquifers water conservation

方法优点缺点赋值法 在大量文献和实验资料的基础上获得相关参数,小区域尺度空间化结果准确度较高忽略了各参数空间异质性,仅适用于小区域尺度回归法 在前人经验的基础上全面收集水源涵养量影响因子,根据相关分析客观选择影响因子仅适用于自变量和因变量关系基本不变的地理过程机器学习与地统计分析 适用于大区域尺度,自变量和因变量关系可变化空间化结果与训练样本质量、已有站点分布是否均匀相关性较大

3.1 回归模型

3.1.1线性回归模型

线性回归模型以气象、地形和森林特征等为影响因子，利用相关分析得出各参数的显著影响因子作为模型的自变量，以林冠截留量、枯落物持水量、土壤蓄水量和森林水源涵养量及其参数为因变量，构建影响因子与林冠层、枯落物层、土壤层和森林水源涵养量或其参数的线性回归模型，进而预测空间上未知点的水源涵养量或其参数。该方法在小区域尺度枯落物蓄积量[47]和土壤深度[48]研究方面均有应用。但建立线性回归方程的方法更适用于样地尺度，属于局地性质的研究。此外，该方法未考虑植被类型和土壤类型等定性因子。

3.1.2地理加权回归模型(GWR)

基于回归分析，BRUNSDON等[49]提出了地理加权回归模型，该方法以反距离为权重，不同位置上的回归系数是变化的。在大尺度区域森林水源涵养空间化过程中，可利用气象、位置信息和地形等因子作为因变量来构建地理加权回归模型，对综合蓄水能力法参数的空间分布进行预测。MISHRA等[50]在美国中西部城市使用地理加权回归模型预测土壤有机碳储量，精度比多元线性回归(MLR)提高22%。但是该方法忽略了自变量间的交叉相关[51]，而实际上森林水源涵养量各影响因子间存在极大的相关性。

3.1.3广义线性模型(GLM)与广义加法模型(GAM)

广义线性模型是线性回归模型的扩展[52]，适用于不符合正态分布的数据，但该模型只考虑响应变量与预测变量之间的线性关系，不能处理复杂的响应关系[53]。生态变量之间关系复杂，为了解决该问题，有学者提出了广义线性模型的非参数扩展模型——广义加法模型[54]。广义线性模型、广义加法模型和分类回归树(CART)3个模型均可应用于中国树种地理分布模拟，模拟效果均较好，其中广义加法模型最优[55]。因此可结合站点立地条件和林分结构等，利用广义加法模型模拟森林水源涵养量及其参数空间分布。

3.2 机器学习与地统计分析

随着机器学习模型和地统计分析的发展，KURIAKOSE等[56]和HEDLEY等[57]将机器学习与地统计分析应用于土壤水分预测，预测结果优于回归模型。因此，机器学习与地统计分析是森林水源涵养量及其参数空间化的重要选择。

3.2.1模糊c均值聚类(FCM)

模糊c均值聚类是应用较广泛的用于预测的模糊聚类方法，其利用统计方法计算每个样本与每类原型在多属性空间中的距离，以隶属度进行加权，最终达到类内加权误差平方和目标函数最小化[58]。王改粉等[59]采用该方法预测土壤厚度，预测效果满足精度要求。但是该方法存在主观性，即聚类数选择问题，聚类数改变，预测结果将会改变，因此需寻求最佳聚类数[60]。

3.2.2决策树(RT)

决策树是一种树状结构的预测模型，表示对象属性与对象值之间的一种映射关系，且训练时间相对较少，可以处理多种类型的预测变量[61]。植被类型和土壤类型等分类变量是森林水源涵养的显著影响因子，所以决策树较适用于森林水源涵养量的预测。周斌等[62]利用决策树预测浙江省龙游县土壤性质的连续空间分布，预测结果可以解释75%～81%的土壤性质空间变异。但是单一的决策树模型不稳定性较大，变量的细小改动会改变预测结果，因此需要将多个决策树组合成单一模型，以稳定和提高预测精度[63]。

3.2.3支持向量机(SVM)

20世纪90年代，有学者提出了支持向量机，它在小样本、非线性变量分析及高维模式识别中表现出的优势越来越明显[64]。GARCA等[65]使用该方法利用遥感数据成功预测北美温带阔叶混交林和温带针叶林的森林冠层高度。但是，传统支持向量机算法存在计算效率低、很难找到局部最优值的问题，因此模型参数寻优是提高精度的重要过程，例如郭李娜等[66]采用网格搜索与K-fold交叉验证结合的方法对支持向量机模型进行参数寻优，并进行土壤容重预测。

3.2.4随机森林(RF)

2001年BREIMAM[67]开发了一种分类与回归结合的随机森林模型，可用于处理关系复杂且呈非线性的变量，是一种可以预测离散和连续数据的非参数决策树分类器，即使变量之间有许多缺失值，甚至预测变量数目极大超过观测值数据也同样有效，因此较适用于大尺度区域森林水源涵养量预测。TESFA等[68]应用广义加法和随机森林模型预测土壤深度的空间格局，结果表明随机森林模型较优。随机森林模型还能用于南非的林冠截留能力预测[69]。但是该模型也存在分类规则复杂、收敛到非全局的局部最优解和过度拟合等缺点。

3.2.5人工神经网络(ANN)

人工神经网络是模拟人脑生物过程的智能系统，具有较强的自学习能力和处理非线性问题能力[70]。BP网络是人工神经网络中应用最广泛的一种，BP网络可适用于存在大量未知内部结构和机理的生态系统[71]。目前已有研究将神经网络应用于土壤蓄水[46]和枯落物蓄积量[72]的预测中，且预测精度较高，土壤蓄水量的预测精度达87%以上，枯落物蓄积量的预测精度为89.71%。但是人工神经网络存在局部极小和收敛速度慢的缺陷[73]。

3.2.6地统计与高精度曲面建模

插值在大尺度区域空间化中应用较为广泛，可用于预测森林水源涵养量及其计量参数。史文娇等[74]对传统的克立格插值法、反距离权重法和样条插值法等插值方法进行了详细的总结。目前已应用于土壤厚度[56]和土壤毛管孔隙度[75]的插值方法中，改进的克立格插值法居多，且预测效果优于普通克立格插值法。此外，STAELENS等[76]使用克立格插值法预测了阔叶混交林的枯落物空间分布；JOST等[13]使用地统计插值成功预测了奥地利的挪威云杉和欧洲山毛榉下30 cm土壤蓄水量的空间分布。高精度曲面建模在土壤属性插值中也应用广泛，且精度不断提高。SHI等[77]首次将高精度曲面建模方法应用于土壤pH插值，获得了比克立格插值法、反距离权重法和样条插值法更高的精度。因此高精度曲面建模是森林水源涵养量及其计量参数插值较好的选择，不过该方法较少应用于森林水源涵养量的空间化处理。

3.3 多种方法综合集成

以上方法均存在不同的预测误差，因此将多种方法综合集成、互相弥补缺点是提高预测精度的方法之一。广义线性模型与残差克里格法是最早提出的组合方法之一[78]，采用广义线性模型-克里格模型预测土壤属性的误差小于其他克里格方法。GUO等[79]采用逐步线性回归、随机森林和随机森林加残差克里格法预测橡胶园土壤有机质的空间分布，结果表明随机森林加残差克里格法的预测误差低于逐步线性回归，决定系数R2高于逐步线性回归。SCARPONE等[80]利用广义线性模型、随机森林、广义线性模型加残差克里格法、随机森林加残差克里格法预测土壤厚度，结果表明广义线性模型加残差克里格法是预测0～200 cm内土壤厚度的最佳预测方法。因此，相较于回归模型和机器学习与地统计分析，多种方法综合集成是提高预测精度较为有效的方法之一。

不同的空间化方法适用性不同，尤其是回归模型和机器学习模型。回归模型中，线性回归模型适用于变量之间彼此独立、自变量和因变量关系基本不变的空间数据；地理加权回归模型适用于参数随空间地理特征变化而变化、参数受多个环境变量影响的空间数据；广义加法模型适用于变量之间关系复杂、可能不符合正态分布的数据(如生态变量)。各机器学习方法的适用条件也存在差异。模糊c均值聚类模型适用于连续性空间地理现象的预测，例如土壤属性；决策树模型适用于多种类型的变量，例如连续变量、分类变量，且训练事例能够用属性-结论的方式表达出来；支持向量机适用于小样本、非线性和高维数据；随机森林模型适用于变量之间关系复杂且呈非线性关系，或存在大量缺失的数据；人工神经网络适用于变量之间存在大量未知关系和机理的数据。目前已有的空间化方法在土壤层参数预测方面应用较多且较成熟，相较于回归模型，机器学习与地统计分析的预测效果较好，但是两者结合的预测效果更优。

4 区域森林水源涵养量空间化的不确定性

4.1 基于站点尺度计算的方法原理问题

综合蓄水能力法是在林冠截留、枯落物持水和土壤蓄水均理想的情况下，预测森林各蓄水层截留降雨的最大值之和。但长时间尺度上降雨会发生蒸散，而综合蓄水能力法忽略蒸散作用[81]，所以该方法更适用于降雨事件；森林水源涵养有拦蓄降雨、调节径流、净化水质等作用，但该方法仅从拦蓄降雨作用方面入手；此外，该方法参数较多，且参数获取过程中存在较多的不确定性。

4.2 参数选择不确定问题

综合蓄水能力法是参数较多、较全面的一种森林水源涵养评价方法，参数选择决定了水源涵养评价的质量，需要根据实验目的选择参数，明确各个参数的物理意义及存在的问题。林冠层、枯落物层和土壤层在参数选择方面均存在不确定性。

林冠层降雨量的定义包括研究年份或月份的总降雨量[3]、平均降雨量[82]、最大一日面降雨[9]、单次最大降雨量[83]等。不同学者选用的降雨定义不同，因此较难根据已有研究比较分析全国尺度的林冠截留量空间分布。

综合蓄水能力法在测量枯落物层中枯落物持水量时会同时测量枯落物有效持水量和最大持水量，最大持水量是将枯落物试样浸水24 h后测量处于饱和状态的枯落物持水量[84]，而枯落物有效持水率为高雨强下的实际有效持水量[85]。枯落物的最大持水量反映枯落物层持水性能的最优状态，综合蓄水能力法估算的森林水源涵养量是理想状态下对降雨的最大拦截量，因此最大持水量预测更适宜采用综合蓄水能力法。

土壤层中毛管总孔隙度是毛管孔隙度与非毛管孔隙度之和，综合蓄水能力法在计算过程中既可选择土壤总孔隙度也可选择非毛管孔隙度。通常土壤非毛管孔隙是土壤重力水移动的主要通道[86]，是土壤主要的储水场所，因此在综合蓄水能力法中较多学者选择用非毛管孔隙度衡量土壤蓄水量。

4.3 空间化对象问题

空间化的对象不同使得空间化结果存在差异。在模拟水源涵养量空间分布格局的过程中，可以基于3类对象进行空间化。一是综合蓄水能力法计算过程中，对降雨量、林冠截留率、枯落物蓄积量、枯落物最大持水率、土壤厚度和土壤非毛管孔隙度6个参数进行空间化，再依据6个空间化图层计算区域尺度的林冠截留量、枯落物蓄水量、土壤蓄水能力和森林水源涵养量。6个参数是计算森林水源涵养量的站点测量数据，以此为依据进行各参数的空间化，处理结果更接近实际空间分布，但是根据参数空间化结果计算林冠截留量、枯落物持水量、土壤蓄水量，进而计算森林水源涵养量，会产生多次误差叠加。二是根据提取的站点参数通过综合蓄水能力法计算站点的森林水源涵养量，然后对其进行空间化，该方法避免了空间化计算过程中的误差叠加，但是由于综合蓄水能力法需要每个站点林冠层、枯落物层和土壤层3层均有观测信息，使得部分单层或2层的观测数据站点不可用，会造成大尺度区域范围内可用站点数量少或站点分布不均等问题，导致预测精度降低。三是根据提取的站点参数计算林冠截留量、枯落物持水量和土壤蓄水量，然后对其进行空间化，再通过综合蓄水能力法计算森林水源涵养量，该方法存在以上2种方法的缺点，但是空间计算过程中误差叠加次数少于第1类对象，可用站点多于第2类对象。

5 研究展望

大尺度区域森林水源涵养量空间化不仅要选择适合的空间化方法，也要选择与森林水源涵养量相关性显著的辅助变量，在此基础上分区域分模型空间化。笔者认为以下几个方面还需继续探讨。

(1)辅助变量的选择。笔者主要总结结合辅助变量的空间模拟方法，因此对于辅助变量的筛选至关重要。目前辅助变量方面存在2个难点：一是部分辅助变量的空间数据较难获得，例如森林郁闭度、树高和冠幅等，这些变量对森林水源涵养能力影响较大，不可忽视；二是选择相关性显著的变量才能够准确合理地预测森林水源涵养，如果辅助变量中存在相关性较小或无关的变量，可能会扰乱预测结果。因此，大尺度区域森林水源涵养量空间化过程中，在选择适合的空间化方法的基础上，还要选择与森林水源涵养量相关性显著的辅助变量。

(2)分区分模型空间化。由于大尺度范围地理特征空间异质性较大，所以需分区域进行各蓄水层水源涵养量的空间化。样本点参数和影响因子数据特征显著，样本点参数和部分影响因子为连续变量，部分影响因子如植被类型、土壤类型为分类数据。参数和影响因子之间关系复杂，多为非线性关系。就地理空间连续性而言，林冠层、枯落物层和森林是非连续性空间地理现象，土壤层为连续性空间地理现象。因此需根据不同区域样本数据特征和参数空间连续性选择不同的空间化方法。

(3)空间动态变化。大尺度区域站点数据时间跨度较大，森林的环境信息随时间发生变化，如果不考虑站点数据的采样时间，森林水源涵养量的空间化估算就不具有代表意义，且无法探究大尺度区域森林水源涵养量动态空间分布变化。因此需要估算不同时间序列森林水源涵养量，对比不同时间序列森林水源涵养量的变化。